Domain-Agnostic Hardware Fingerprinting-Based Device Identifier for Zero-Trust IoT Security
本文提出EPS-CNN框架,利用CNN从双面包络功率谱生成设备身份,作为零信任架构中的认证层,在跨域场景下实现高准确率,提升物联网设备识别的鲁棒性与适应性。
2024-02-08 cs.CR cs.NI eess.SP
IoT Device Identification Based on Network Communication Analysis Using Deep Learning
Ben-Gurion University of the Negev(本-古里安大学)
由于越来越多地使用安全性较低的物联网设备,组织中针对对手的攻击向量有所增加。由于自带设备(BYOD)政策允许员工将物联网设备带到办公场所并将其连接到组织的网络,因此组织网络受到攻击的风险也有所增加。为了应对这种威胁并保护其网络,组织通常会实施安全策略,其中只允许组织网络上的白名单物联网设备。为了监控这些策略的合规性,区分组织网络内允许的物联网设备与非白名单(未知)物联网设备变得至关重要。在本研究中,将深度学习应用于网络通信,以自动识别网络上允许的物联网设备。与现有方法相比,所提出的方法不需要网络通信的复杂特征工程,因为IoT设备的“通信行为”被表示为从设备的网络通信有效载荷生成的小图像。所提出的方法适用于任何物联网设备,无论用于通信的协议如何。由于我们的方法依赖于网络通信有效载荷,因此它也适用于支持网络地址转换(NAT)的路由器后面的物联网设备。在这项研究中,我们在公开访问的数据集上训练了各种分类器,以识别不同场景中的物联网设备,包括识别已知和未知的物联网设备,实现了超过99%的总体平均检测准确率。
2023-03-02 cs.AI cs.CR cs.CV
Rapid IoT Device Identification at the Edge
Imperial College London(帝国理工学院)
消费者物联网(IoT)设备在日常家庭中越来越普遍,从智能扬声器到安全摄像头。除了这些好处,还有潜在的隐私和安全威胁。为了限制这些威胁,我们必须实施解决方案来过滤边缘的物联网流量。为此,物联网设备的识别是第一个自然步骤。在本文中,我们展示了一种快速物联网设备识别的新方法,该方法使用神经网络对设备DNS流量进行训练,这些流量可以从本地网络上的DNS服务器捕获。该方法通过将模型拟合到第一次连接后的第一秒DNS二级域流量来识别设备。由于安全和隐私威胁检测通常在设备特定级别进行,因此快速识别可以立即实施这些策略。通过总共51,000次严格的自动化实验,我们对来自27个不同制造商的30个消费者物联网设备进行了分类,产品类型和设备制造商的准确率分别为82%和93%。
2021-10-26 cs.LG cs.NI
RL-IoT: Reinforcement Learning to Interact with IoT Devices
Politecnico di Torino(都灵理工大学);University of Turin(都灵大学)
我们的生活正在被物联网(IoT)设备所填充。这些设备通常依赖于封闭的或记录不完整的协议,具有未知的格式和语义。学习如何以自主的方式与这些设备交互是互操作性和自动验证其功能的关键。在本文中,我们提出了RL-IoT,这是一个探索如何自动与可能未知的物联网设备进行交互的系统。我们利用强化学习(RL)来恢复协议消息的语义,并控制设备以达到给定的目标,同时最大限度地减少交互次数。我们假设只知道可能的物联网协议消息的数据库,然而其语义是未知的。RL-IoT与目标IoT设备交换消息,学习那些对实现给定目标有用的命令。我们的研究结果表明,RL-IoT能够解决简单和复杂的任务。通过适当调整参数,RL-IoT学习如何使用目标设备(我们案例研究中的Yeelight智能灯泡)执行操作,完成不平凡的模式,只需400次交互。RL-IoT为与缺乏文档记录的物联网协议进行自动交互铺平了道路,从而实现了可互操作的系统。
2021-09-10 cs.AI cs.LG cs.NI
Bluetooth and WiFi Dataset for Real World RF Fingerprinting of Commercial Devices
ANDRO Computational Solutions, LLC(ANDRO计算解决方案有限责任公司);Northeastern University(东北大学);University at Buffalo(布法罗大学)
本文发布一个 72 GB 的真实 Bluetooth/WiFi RF 指纹数据集,采集多类 COTS 组合 IoT 芯片组在两个时间范围、不同功率下的发射信号,以支持模型泛化评估。
2023-08-17 cs.LG cs.NI
Device Fingerprinting in Wireless Networks: Challenges and Opportunities
节点伪造或假冒,其中合法的密码凭证被对手捕获,构成了无线网络面临的一个主要安全威胁。移动设备容易被破坏和逆向工程的事实显著增加了这种攻击的风险,其中对手可以获得可信节点上的秘密密钥并冒充合法节点。一种很有前途的挫败这些攻击的方法是通过提取唯一的指纹,可以提供可靠和强大的设备识别手段。这些指纹可以通过分析跨协议栈的信息从传输的信号中提取。在本文中,第一个统一的和全面的教程,在该地区的无线设备指纹安全应用。特别是,我们的目标是提供一个详细的处理开发新的无线安全解决方案,使用设备指纹技术。目标有三个方面:(i)介绍可用于指纹识别的无线特征的全面分类,(ii)提供指纹算法的系统综述,包括基于白名单的方法和无监督学习方法,以及(iii)确定设备指纹识别和特征提取领域中应用于无线安全的关键开放研究问题。
2015-01-07 cs.NI
IoTGAN: GAN Powered Camouflage Against Machine Learning Based IoT Device Identification
University of South Florida(南佛罗里达大学);New Mexico State University(新墨西哥州立大学);Intelligent Automation Inc(智能自动化公司)
本文提出 IoTGAN,通过黑盒替代模型与对抗流量操纵模型伪装 IoT 设备流量以规避机器学习识别,并给出有效防御措施。
2023-12-16 cs.CR cs.LG cs.NI
IoTAthena: Unveiling IoT Device Activities from Network Traffic
最近针对灵巧家庭中的物联网(IoT)设备的网络攻击的激增需要有效的技术来理解、表征和揭示IoT设备活动。在本文中,我们提出了一个名为IoTAthena的新系统,用于从由带时间戳的IP数据包组成的原始网络流量中揭示物联网设备活动。IoTA thena使用活动签名来表征每个IoT设备活动,该活动签名由具有数据包间时间间隔的有序IP数据包序列组成。IoTA thena有两个新颖的多项式时间算法,sigMatch和actExtract。对于任何给定的签名,sigMatch可以捕获原始网络流量中签名的所有匹配项。使用sigMatch作为子函数,actExtract可以从原始网络流量中准确地揭示各种物联网设备活动的顺序。使用在真实世界灵巧家庭测试床的路由器上收集的异构物联网设备的网络流量和公共物联网数据集,我们证明了IoTA thena能够表征和生成物联网设备活动的活动签名,并从原始网络流量中准确地揭示物联网设备活动的序列。
2021-05-30 cs.NI
Network Traffic Characteristics of IoT Devices in Smart Homes
了解物联网设备的网络流量特征在提高物联网设备的性能和安全性方面起着至关重要的作用,包括物联网设备识别,分类和异常检测。尽管许多现有的研究工作已经开发出基于机器学习的算法来帮助解决提高物联网设备安全性的挑战,但它们都没有提供关于物联网设备网络流量特征的详细研究。在本文中,我们收集并分析了一个典型的灵巧家庭环境中产生的网络流量,该环境由一组常见的物联网(和非物联网)设备组成。我们从三个互补的方面分析物联网设备的网络流量特征:物联网设备连接的远程网络服务器和端口号,流级流量特征(如流持续时间)和数据包级流量特征(如数据包到达间隔时间)。我们的研究为物联网设备的操作和行为特征提供了重要见解,这有助于为物联网设备开发更有效的安全和性能算法。
2021-09-04 cs.NI
IoT Device Identification Based on Network Traffic Characteristics
物联网设备识别在监控和提高物联网设备的性能和安全性方面发挥着重要作用。与传统的非物联网设备相比,物联网设备在检测物联网设备类型方面为我们提供了独特的挑战和机遇。基于我们以前在了解物联网设备的网络流量特征方面所获得的重要见解,本文开发了一种有效的基于机器学习的物联网设备识别方案,名为iotID。在开发iotID时,我们从三个互补的方面提取了TCP流的70个特征:远程网络服务器和端口号,数据包级别的流量特征(如数据包到达间隔时间)和流级别的流量特征(如流持续时间)。与现有工作不同,我们在iotID的学习和评估阶段都考虑了各种设备产生的网络流量的不平衡性。我们基于在由物联网和非物联网设备组成的典型灵巧家庭环境中收集的网络流量进行的性能研究表明,iotID可以达到99%以上的平衡准确率。
2022-12-17 cs.DC cs.NI
IoT Device Identification Using Deep Learning
Ben-Gurion University(本·古里安大学)
物联网设备在组织中的使用越来越多,由于设备的安全性较低,攻击者可用的攻击向量数量增加。广泛采用的自带设备(BYOD)策略允许员工将任何物联网设备带入工作场所并将其连接到组织的网络,这也增加了攻击的风险。为了解决这一威胁,组织通常实施安全策略,其中只允许连接白名单上的物联网设备。为了监控这些策略的遵守情况并保护其网络,组织必须能够识别连接到其网络的物联网设备,更具体地说,识别未在白名单上的连接物联网设备(未知设备)。在这项研究中,我们将深度学习应用于网络流量,以自动识别连接到网络的物联网设备。与以前的工作相比,我们的方法不需要在网络流量上应用复杂的特征工程,因为我们使用从物联网设备网络流量有效载荷构建的小图像来表示物联网设备的通信行为。在我们的实验中,我们在公开的数据集上训练了一个多类分类器,成功识别了10个不同的物联网设备以及智能手机和计算机的流量,准确率超过99%。我们还训练了多类分类器来检测连接到网络的未经授权的物联网设备,总体平均检测准确率超过99%。
2020-02-25 cs.CR cs.LG cs.NI
QuickTalk: An Association-Free Communication Method for IoT Devices in Proximity
物联网设备通常被认为是简单易用的。然而,我们发现在许多情况下可用性变得很差。这些情况包括但不限于以下情况:1)当初始化IoT设备时,2)当试图控制由另一个人初始化和注册的IoT设备时,以及3)当试图控制许多相同类型的IoT设备中的IoT设备时。我们解决这些情况,提出了一种新的无关联的通信方法,QuickTalk。QuickTalk允许智能手机等用户设备在IR发射器的帮助下精确定位和激活IoT设备,并通过WiFi的广播信道与精确定位的IoT设备进行通信。由于其无关联通信的性质,QuickTalk允许用户设备立即向附近的特定IoT设备发出命令,即使IoT设备未初始化、未注册到用户的控制界面或注册但与其他设备物理混淆。我们在Raspberry Pi 2设备上实现的QuickTalk实验表明,QuickTalk的端到端延迟上限为2.5秒,中位数仅为0.74秒。我们进一步确认,即使物联网设备正在进行数据会话,QuickTalk仍然可以建立与物联网设备的可靠通信信道,对正在进行的会话影响很小。
2017-05-19 cs.NI
IoT-AD: A Framework To Detect Anomalies Among Interconnected IoT Devices
针对互联IoT环境中异常行为易传播的问题,提出兼具检测、限制与恢复功能的IoT-AD框架,经测试其检测准确率最高达98%、耗时低于2.12毫秒,性能优于现有相关方法。
2023-06-11 cs.CR cs.NI
IoT2Vec: Identification of Similar IoT Devices via Activity Footprints
Samsung R&D Institute Bangalore(三星班加罗尔研发研究院)
我们考虑一个灵巧家庭或智能办公室环境,其中连接了许多物联网设备并在彼此之间传递数据。传输的数据的足迹可以提供有关设备的有价值的信息,这些信息可用于(a)识别IoT设备,以及(b)在故障情况下识别这些设备的正确替代品。在本文中,我们使用Word2Vec为灵巧家庭中的物联网设备生成嵌入,并探索为物联网设备提供类似概念的可能性,即IoT2Vec。这些嵌入可以以多种方式使用,例如在IoT设备商店中查找类似设备,或者作为每种类型IoT设备的签名。我们展示了对物联网设备活动日志CASAS数据集的可行性研究结果,使用我们的方法来识别家庭中各种类型物联网设备的嵌入模式。
2018-05-21 cs.AI cs.HC cs.NE
Network Traffic Analysis based IoT Device Identification
Faculty of Integrated Technologies(综合技术学院);Institute of Applied Data Analytics(应用数据分析研究所)
设备识别是在不使用其分配的网络或其他凭证的情况下识别互联网上的设备的过程。物联网(IoT)设备使用的急剧增长,由于各种各样的设备、协议和控制接口,给设备识别带来了新的挑战。在网络中,传统的物联网设备通过利用IP或MAC地址来识别彼此,这很容易受到欺骗。此外,物联网设备是具有最小嵌入式安全解决方案的低功耗设备。为了缓解物联网设备中的问题,可以使用指纹(DFP)进行设备识别。DFP通过使用隐式标识符来识别设备,诸如网络流量(或分组)、无线电信号,设备用于其在网络上的通信。这些标识符与设备硬件和软件功能密切相关。在本文中,我们利用TCP/IP数据包的报头功能,创建一个设备指纹利用设备发起的网络数据包。我们提出了一组三个指标,从一个数据包,积极促进设备识别的一些功能。为了评估我们的方法,我们使用了两个可公开访问的数据集。我们观察到设备类型分类的准确性为99.37%,从IoT Sentinel数据集中识别单个设备的准确性为83.35%。然而,使用UNSW数据集设备类型识别准确率高达97.78%。
2020-09-10 cs.AI cs.CR cs.NI
Application of Machine Learning-Based Pattern Recognition in IoT Devices: Review
University of Wisconsin-Eau Claire(威斯康星大学欧克莱尔分校)
物联网(IoT)是一个快速发展的技术领域,近年来迅速变得更加广泛。随着越来越多的日常物品连接到互联网,许多不同的创新已经出现,使我们的日常生活更加简单。模式识别在物联网设备中非常普遍,因为它可以带来许多应用和好处。为了提高速度和准确性,降低复杂性,并降低物联网设备中模式识别算法的总体处理能力,已经进行了大量研究。在回顾不同机器学习算法的应用之后,结果因情况而异,但可以得出一个一般结论,即与IoT设备一起使用的最佳基于机器学习的模式识别算法是支持向量机、k-最近邻和随机森林。
2022-01-10 cs.LG cs.NI eess.SP
IoT or NoT: Identifying IoT Devices in a ShortTime Scale
近年来,家庭网络中物联网设备的数量急剧增加。每当新设备连接到网络时,必须使用相关的安全机制或QoS策略对其进行快速管理和保护。因此,一个关键的挑战是在几分钟内区分IoT和NoT设备。不幸的是,没有明确的迹象表明网络中的设备是否是物联网。在本文中,我们提出了不同的分类器,可以在短时间内将设备识别为物联网或非物联网,并且具有很高的准确性。我们的分类器是使用机器学习技术在可见(训练)数据集上构建的,并在不可见(测试)数据集上进行了测试。他们成功地将未在可见数据集中的器械分类,准确率超过95%。第一个分类器是基于流量特征的逻辑回归分类器。第二个分类器基于我们从DHCP数据包中检索的特征。最后,我们提出了一个统一的分类器,利用其他两个分类器的优点。我们关注家庭网络环境,但我们的分类器也适用于企业网。
2019-10-12 cs.NI
An Analysis of Home IoT Network Traffic and Behaviour
互联网连接的设备越来越多地出现在我们的家中,隐私泄露,数据盗窃和安全威胁变得司空见惯。为了避免这些,我们必须首先了解这些设备的行为。在这项工作中,我们分析了来自常见物联网设备测试平台的网络痕迹,并描述了对其行为进行指纹识别的一般方法。然后,我们使用从这些数据中获得的信息和见解来评估隐私和安全风险的表现,以及设备行为如何影响带宽。我们展示了一些简单的措施,可以规避保护设备和保护隐私的尝试。
2018-03-14 cs.NI
DeepRadioID: Real-Time Channel-Resilient Optimization of Deep Learning-based Radio Fingerprinting Algorithms
无线电指纹识别提供了一种可靠且节能的物联网身份验证策略。通过将输入映射到一个非常大的特征空间,深度学习算法可以被训练成对在任何无线标准下运行的大量设备进行指纹识别。无线电指纹识别中最关键的挑战之一是抵消无线信道的作用,无线信道的作用通过破坏硬件损伤而显著降低指纹识别的准确性。另一方面,由于其庞大的规模,深度学习算法很难在实时的【形】重新训练。另一个有待研究的方面是,攻击者是否可以成功地模仿另一个设备指纹。为了解决这些关键问题,本文提出了DeepRadioID,这是一种优化基于深度学习的无线电指纹识别算法准确性的系统,而无需重新训练底层深度学习模型。我们在由20个名义上相同的软件定义无线电组成的实验测试平台上,以及由DARPA RFMLS计划提供的500个ADS-B设备和500个WiFi设备组成的两个数据集上广泛评估了DeepRadioID。实验结果表明,DeepRadioID(i)在考虑的三种情况下将指纹识别准确率提高了约35%,50%和58%;(ii)当试图通过使用过滤器模仿其他设备指纹时,将对手的准确率降低了约54%;(iii)在100台设备数据集上实现了27%的改进。
2019-04-16 cs.NI
VSDM: A Virtual Service Device Management Scheme for UPnP-Based IoT Networks
物联网设备无处不在的特性为计算和通信范式带来了新的令人兴奋的应用。由于其能够在物联网设备、普适应用程序和远程客户端之间实现自动配置的通信,通用即插即用(UPnP)协议的使用非常广泛。然而,UPnP的广告和发现机制在资源受限的IoT设备上产生了显著的开销。在本文中,我们提出了一种基于委托的方法,该方法通过将服务广告和发现相关开销从资源有限的物联网设备卸载到启用UPnP的物联网网络的资源丰富的邻居来扩展UPnP协议。我们的实验评估表明,该方案显示出显着的改进,基本的UPPENDIX,降低能耗和网络开销。
2020-11-04 cs.NI
IoTDevID: A Behavior-Based Device Identification Method for the IoT
Heriot-Watt University(赫瑞-瓦特大学)
设备识别是保护物联网设备网络的一种方式,由此被识别为可疑的设备随后可以从网络中隔离。在这项研究中,我们提出了一种基于机器学习的方法,IoTDevID,通过其网络数据包的特征来识别设备。由于使用了严格的特征分析和选择过程,我们的研究提供了一种通用和现实的方法来建模设备行为,在两个公共数据集上实现了高预测准确性。该模型的基础特征集被证明是更具有预测性的比现有的特征集用于设备识别,并概括到数据看不见的特征选择过程中。与大多数现有的物联网设备识别方法不同,IoTDevID能够使用非IP和低能耗协议检测设备。
2022-07-19 cs.AI cs.CR cs.NI
Social-Feature Enabled Communications among Devices towards Smart IoT Community
未来的物联网有望在全球范围内获得无处不在的连接和访问。与此同时,随着物联网设备的通信能力增强,物联网将发展成为高度自治的,即使在基础设施的帮助下,也将逐步建立智能物联网社区。智能物联网社区面临的主要挑战之一是物联网通信的社会化,因为大量的物联网接入使集中控制变得非常困难,并且还面临频谱资源短缺的问题。针对这些问题,我们在这篇文章中首先提出的概述和讨论的社会功能影响设备之间的连接。然后,我们激励对智能物联网设备之间连接的社会特征的统计特征的研究。我们进一步提出了统一渐近分析框架下的排队模型来描述统计社会特征,重点是典型的社会指标,如信用,声誉,中心性等,如何应用这些功能的网络优化进一步建议。最后,我们分享了我们对面向未来智能物联网的社会感知设计的开放问题的看法。
2018-07-10 cs.NI
Dissecting IoT Device Provisioning Process
本文剖析了消费级IoT设备的配网过程,开发了IoT-Dissect I和II两个工具包用于解密通信和逆向应用,发现了潜在安全问题并提出缓解方案,同时论证了构建厂商无关的IoT家庭网关的可行性。
2023-10-21 cs.NI
Performance Evaluation for Privacy-preserving Control of Domestic IoT Devices
部署物联网生态系统的大多数现有模型都涉及供应商处于物联网设备的命令和控制循环中,因此用户的隐私和安全是主要挑战之一。尽管存在这些问题,但用户通常面临着限制设备功能或通过注册供应商集中式模型来启用对物联网设备的互联网访问之间的选择,以便从家庭外部访问他们的设备。在本文中,我们认为,尽管物联网有望成为向用户提供服务的革命性方式,但由于隐私和安全风险增加,大多数此类设备不应被允许访问互联网。我们提出了一种替代的家庭网络设计模型,该模型限制了物联网设备的暴露,并使用WireGuard(WG)(一种最先进的虚拟专用网络(VPN)协议)从家庭外部无缝访问其功能。我们使用现成的物联网设备构建了一个测试床,用于在各种条件下测试我们提出的网络设计;包括从家庭,4G,办公室和公共Wifi网络访问。我们表明,当使用超文本传输协议(HTTP)时,我们基于VPN的物联网设备远程访问在所有场景中的端到端延迟方面提供了更好的性能,并且当使用VPN上的双重加密超文本传输协议安全(HTTPS)时,性能相当。
2022-07-18 cs.NI
Benchmarking Buffer Size in IoT Devices Deploying REST HTTP
已经提出了应用层的一些潜在物联网通信协议,包括MQTT,CoAP和REST HTTP,后者是软件开发人员的首选协议,因为它与现有系统兼容。我们提出了一个理论模型的预期缓冲区大小的REST HTTP客户端缓冲区在有损无线条件下的物联网设备,并验证了实验研究。结果表明,增加IoT设备中的缓冲区大小并不总是提高有损环境中的性能,因此证明了在部署REST HTTP的IoT系统中对缓冲区大小进行基准测试的重要性。
2021-11-16 cs.NI
Radio-Enabled Low Power IoT Devices for TinyML Applications
本研究比较分析支持无线电的低功耗物联网设备,评估其计算密集型TinyML应用适用性,为从业者设备选择提供指导。
2023-12-07 cs.NI
An empirical study of passive 802.11 Device Fingerprinting
802.11设备指纹识别是通过其无线流量来表征目标设备的动作。这将产生可用于身份识别、网络监控或入侵检测的签名。指纹识别方法可以通过向目标设备发送业务而主动,或者通过仅观察由目标设备发送的业务而被动。许多被动指纹识别方法依赖于对一个特定网络特征的观察,例如速率切换行为或探测请求的传输模式。在这项工作中,我们评估了一组全球无线网络参数方面的能力,以确定802.11设备。我们将自己限制在可以使用标准无线卡被动观察的参数上。我们针对两个不同的测试来评估这些参数:i)识别测试,其返回一个与目标设备最接近的匹配结果;以及ii)相似性测试,其返回一组与目标设备接近的设备。我们发现,网络参数传输时间和帧到达间隔时间相比,考虑其他网络参数的表现最好。最后,我们专注于到达间隔时间,最有前途的参数设备识别,并显示其依赖于几个设备的特性,如无线卡和驱动程序,但也运行应用程序。
2014-04-25 cs.CR cs.NI
Old Wine in New Skins? Revisiting the Software Architecture for IP Network Stacks on Constrained IoT Devices
在本文中,我们认为,现有的概念,为受约束的设备设计和实现网络堆栈不符合当前和即将到来的物联网(IoT)用例的要求。物联网不仅需要轻量级的网络堆栈,还需要基于标准的模块化网络堆栈。我们讨论了受限物联网设备上网络堆栈软件架构的功能和非功能需求。然后,重新审视早期互联网的概念以及当前的实现,我们提出了一种面向未来的替代现有物联网网络堆栈架构的方案,并根据其在最先进的物联网操作系统和硬件上运行的实现对该方案进行了初步评估。
2015-02-06 cs.NI
Ambient IoT: A missing link in 3GPP IoT Devices Landscape
本文梳理3GPP在环境能量收集物联网设备方面的研究进展,结合反向散射设备链路预算分析,指出其需要区别于5G NR的全新系统设计方法。
2023-12-11 cs.NI eess.SP
Stand-alone device for IoT applications
物联网(IoT)是一个由互联且会说话的设备组成的数字世界,为无数不同的智能应用程序提供了空间。本文提出了一种具有多种功能的物联网支持的独立设备:(i)与用户交互,(ii)所需的应用程序选择,(iii)数据感测,(iv)数据发布,以及(v)决策和驱动。该算法允许用户选择应用程序并输入特定数据进行校准,完成后使设备能够进一步工作。为了验证和测试它的能力,一个灵巧家庭花园环境创建使用该设备,温度,湿度,土壤湿度传感器和执行器。由于物联网应用程序不可避免地要进行实时通信,因此传感器数据会发布到Mosquitto MQTT代理,以允许实时远程访问。设备做出的决定通过继电器发送到执行器,从而实现连续的监控过程。结果证明该设备适用于物联网应用的应用程序。
2021-09-02 cs.NI
Learning-Based Computation Offloading for IoT Devices with Energy Harvesting
物联网(IoT)设备可以应用移动边缘计算(MEC)和能量收集(EH),为计算密集型应用提供令人满意的体验质量,并延长电池寿命。在本文中,我们研究了具有多个MEC设备(如基站和接入点)的无线网络中具有能量收集的物联网设备的计算卸载,每个MEC设备具有不同的计算资源和无线电通信能力。我们提出了一种基于强化学习的计算卸载框架,用于物联网设备选择MEC设备,并根据当前电池电量、每个MEC设备的先前无线电带宽和预测的收获能量量来确定卸载速率。提出了一种用于IoT设备的基于“热引导”Q学习的计算卸载方案,以在不知道MEC模型、能量消耗和计算延迟模型的情况下实现最佳卸载性能。我们还提出了一种基于快速深度Q网络(DQN)的卸载方案,该方案结合了深度学习和热引导技术,以加快Q学习的学习速度。我们表明,所提出的计划可以达到足够长的学习时间后的最佳卸载策略,并提供其性能界限下两个典型的MEC的情况。针对使用无线功率传输来捕获环境射频信号以对IoT电池充电的IoT设备执行仿真。仿真结果表明,与基于Q-learning的快速卸载方案相比,基于DQN的快速卸载方案降低了能耗,降低了计算延迟和任务丢弃率,提高了物联网设备在动态MEC中的效用。
2017-12-23 cs.NI
A Haystack Full of Needles: Scalable Detection of IoT Devices in the Wild
消费者物联网(IoT)设备非常受欢迎,为用户提供丰富多样的功能,从语音助手到家用电器。这些功能通常会带来重大的隐私和安全风险,最近值得注意的是,大规模的全球协同攻击会破坏大型服务提供商。因此,解决这些风险的重要第一步是了解物联网设备在网络中的位置。虽然存在一些有限的解决方案,但一个关键问题是,只能看到采样流统计数据的互联网服务提供商是否可以进行设备发现。特别是,对于ISP来说,高效、有效地跟踪和跟踪数百万用户部署的物联网设备的活动是一项挑战--所有这些都是通过采样的网络数据进行的。在本文中,我们开发并评估了一种可扩展的方法,以准确地检测和监控用户线路上的物联网设备,这些设备具有有限的高采样数据。我们的研究结果表明,数百万个物联网设备可以在几个小时内检测和识别,无论是在主要的ISP还是IXP,使用被动的,稀疏采样的网络流报头。我们的方法能够检测超过77%的物联网制造商的设备,包括智能扬声器等流行设备。虽然我们的方法对于提供网络分析是有效的,但它也突出了重要的隐私后果。
2020-09-30 cs.NI
Monitoring in IOT enabled devices
随着网络规模继续呈指数级增长,相应网络中的节点数量也相应增加。随着物联网(IOT)的出现,人们认为更多的设备将连接到现有的网络基础设施。因此,随着网络趋于变得更加异构,管理员的监控预计将变得更加复杂。此外,考虑到设备将被添加到网络的规模,物联网的寻址将更加复杂,因此由于管理更大范围的地址,监控必然会成为一项艰巨的任务。本文将揭示什么样的监控机制可以部署在物联网(IOTs)及其整体有效性。
2015-07-14 cs.NI
Wireguard: An Efficient Solution for Securing IoT Device Connectivity
本研究评估Wireguard协议在资源受限物联网环境中的性能,与OpenVPN和IPsec对比,发现其轻量高效,有望广泛用于加固物联网设备安全。
2024-02-03 cs.CR cs.NI
On performance of PBFT for IoT-applications with constrained devices
网络物理系统和物联网(IoT)正在成为数字社会不可或缺的一部分。物联网服务的使用在许多方面改善了人类的生活。防范网络威胁是物联网设备运行的一个重要方面。恶意活动导致机密数据泄露,设备性能不正确变得至关重要。因此,开发能够保护物联网设备数据和数据交换网络的有效解决方案成为一个真正的挑战。本研究对使用区块链技术保护受限物联网设备数据的可行性进行了批判性分析,证明了选择实用拜占庭容错(PBFT)共识算法在此类设备上实施的合理性,并使用PBFT模拟了主要的分布式账本场景。仿真结果证明了区块链技术对受限设备的效率,并使评估所选共识算法的适用性限制成为可能。
2021-04-20 cs.CR cs.NI cs.PF
Externally validating the IoTDevID device identification methodology using the CIC IoT 2022 Dataset
本文在 CIC-IoT-2022 上外部验证 IoTDevID 的特征集与聚合算法,证明数据多样性和数量影响识别性能,并取得优异 F1 结果。
2023-07-03 cs.CR cs.NI
Connectivity-Aware Contract for Incentivizing IoT Devices in Complex Wireless Blockchain
区块链被认为是未来6G网络中安全和可信物联网(IoT)的关键骨干技术。然而,在复杂的无线物联网网络中部署区块链系统是具有挑战性的,因为资源有限,无线环境复杂,并且物联网设备具有自利性。区块链现有的激励机制与无线物联网网络不兼容。在本文中,为了激励物联网设备加入无线区块链网络的建设,我们提出了一种多维合同来优化区块链效用,同时解决逆向选择和道德风险问题。具体而言,拟议的合同考虑了物联网设备的哈希能力和通信成本,特别是从复杂网络理论的角度探索了设备的连接性。我们通过模拟研究了不同网络规模和平均链路概率下无线区块链网络的能量消耗和块确认概率。数值结果表明,我们提出的合同机制是可行的,实现了35%以上的效用比现有的方法,并增加了4倍,与原来的基于PoW的激励机制相比,效用。
2022-12-21 cs.GT cs.NI
IoT Device Labeling Using Large Language Models
针对未知 IoT 设备的厂商与功能标注问题,提出结合网络文本特征、搜索数据、目录匹配及 LLM 零样本分类的自动标注框架,并在 97 台设备上验证有效。
2024-03-03 cs.CR cs.NI
Decentralized Spectrum Learning for IoT Wireless Networks Collision Mitigation
本文描述了物联网设备上的强化学习算法的原理和实现结果,用于ISM未授权频段中的无线电冲突缓解。学习在这里用于提高物联网网络支持更多对象的能力以及物联网设备的自主性。我们首先说明了所提出的方法的效率在一个概念验证的基础上USRP软件无线电平台上运行的真实无线电信号。它显示了如何减少给定物联网设备与ISM频段中存在的其他RF信号的冲突。然后,我们描述了在真实LoRaWAN网络中运行的LoRa设备上的学习算法的第一个实现,我们将其命名为IoTligent。所提出的解决方案既不增加处理开销,使其可以在物联网设备中运行,也不增加网络开销,因此不需要对LoRaWAN进行更改。在现实的LoRa网络中进行了现实生活中的实验,结果表明,在我们实验过程中遇到的场景中,IoTligent设备的电池寿命可以延长2倍。
2019-06-03 cs.NI eess.SP
IoT-Zoo: A Container-Based Framework for Heterogeneous IoT Device Profiles and Reproducible Traffic Capture
Department of Electrical and Computer Engineering, University of Notre Dame, Indiana, USA(1 诺特难大学电气与计算机工程系, 印第安纳州, 美国)
提出IoT-Zoo容器化测试平台,通过异构设备配置和自动化流量捕获实现可重现的物联网实验,支持多域场景部署与真实协议。
2026-06-16 cs.AI cs.ET cs.NI
Stay Connected, Leave no Trace: Enhancing Security and Privacy in WiFi via Obfuscating Radiometric Fingerprints
WiFi芯片组的固有硬件缺陷在传输信号中表现出来,导致独特的辐射指纹。此指纹可用作额外的身份验证手段,以增强安全性。事实上,最近的工作提出了实用的指纹识别解决方案,可以很容易地实现在商业现成的设备。在本文中,我们证明了分析和实验,这些解决方案是非常容易受到模仿攻击。我们还证明,这种独特的基于设备的签名可以被滥用,通过跟踪用户设备来侵犯隐私,并且,截至目前,用户除了关闭设备之外,没有任何方法来防止这种隐私攻击。我们提出了RF-Veil,这是一种辐射指纹识别解决方案,不仅对冒充攻击具有鲁棒性,而且通过混淆非合法接收器的发射器的辐射指纹来保护用户隐私。具体来说,我们引入一个随机模式的相位误差的传输信号,只有预期的接收器可以提取原始指纹的发射机。在一系列的实验和分析中,我们揭示了采用朴素随机化的脆弱性,统计攻击,并介绍了对策。最后,我们通过实验证明了RF-Veil在保护用户隐私和增强安全性方面的有效性。更重要的是,我们提出的解决方案允许与不使用RF-Veil的其他设备进行通信。
2020-11-27 cs.CR cs.CY cs.NI